一种用于睡眠监测的无监督迁移学习算法
应用统计
2019-04-09 v1
摘要
目的：开发对影响睡眠模式的健康扰动具有鲁棒性的多传感器可穿戴设备睡眠监测算法。方法：我们基于多元隐马尔可夫模型与费舍尔线性判别分析开发了一种无监督迁移学习算法，通过对睡眠/觉醒状态动态的训练自适应地调整睡眠模式偏移。所提算法无需关于真实睡眠/觉醒状态的先验信息，利用隐马尔可夫模型建立初始训练集，并借助锥形窗口机制以增量方式学习睡眠模式。我们的域适应算法应用于一项人类病毒攻击研究中收集的数据集，以识别未感染与感染参与者的睡眠/觉醒时段。结果：该算法成功检测出因呼吸道感染（H3N2流感病毒）导致睡眠模式紊乱的受试者的睡眠/觉醒时段。基于所检测时段的症前特征被发现对感染状态（AUC = 0.844）和感染发生时间（AUC = 0.885）均具有强预测性，表明该算法的有效性与实用性。结论：我们的方法可在存在睡眠模式偏移的情况下有效检测睡眠/觉醒状态。意义：利用集成的多传感器信号处理与自适应训练方案，我们的算法能够在动态监测中捕捉关键睡眠模式，从而实现更好的自动化睡眠评估与预测。
引用
@article{arxiv.1904.03720,
title = {An unsupervised transfer learning algorithm for sleep monitoring},
author = {Xichen She and Yaya Zhai and Ricardo Henao and Christopher W. Woods and Geoffrey S. Ginsburg and Peter X. K. Song and Alfred O. Hero},
journal= {arXiv preprint arXiv:1904.03720},
year = {2019}
}